feat(data_process): 模型缓存统一仓库根 .cache 并修复 PDF 页眉页脚清理

- 新增 app/core/cache_paths.py：HF_HOME / tiktoken 缓存统一指向 <repo>/.cache，
  本地与 Docker 路径一致，离线部署打包 .cache 即可
- Dockerfile.backend 的 tiktoken 词表改用官方 SHA 文件名，避免运行时回退重建
- 修复 layout_hybrid 路径不运行 detect_pdf_document_noise 的缺陷：
  needs_pdf_noise 不再与 needs_layout_raw 互斥，PDF 智能预处理在版面切分下也生效
- 新增 layout_noise.py：识别跨页重复的页眉表格标签组并按行剔除，
  解决 docling layout 模型把中文企业 PDF 页眉识别成普通 Table 导致清不掉的问题
- 回收 HybridChunker 丢弃的末尾孤立标题，找回章节标题内容

backend/app/api/v1/endpoints/data_process.py

@@ -1686,7 +1686,6 @@ def _prepare_preview_items(
             )
             needs_pdf_noise = (
                 is_unstructured
-                and not needs_layout_raw
                 and source_format == "pdf"
                 and bool(
                     preprocess_options & {"clean_invalid", "clean_invalid_content"}
@@ -1720,17 +1719,18 @@ def _prepare_preview_items(
             enriched = dict(source)
             if needs_structured_xlsx or needs_layout_raw:
                 enriched["raw_content"] = raw
-                sources[index] = enriched
-                continue
-            pages = extract_pdf_page_texts(raw)
-            extracted_text = "\n\n".join(page.text for page in pages if page.text)
-            if extracted_text != str(source.get("content") or ""):
-                logger.warning(
-                    "跳过PDF文档噪声检测（存储偏移量不一致） source_id=%s",
-                    source["id"],
-                )
-                continue
-            enriched["document_noise_spans"] = detect_pdf_document_noise(pages)
+            if needs_pdf_noise:
+                # layout_hybrid 路径下也跑 PDF 文本规则噪声检测，
+                # 弥补 docling layout 模型对中文 PDF 页眉/页脚识别率低的问题。
+                pages = extract_pdf_page_texts(raw)
+                extracted_text = "\n\n".join(page.text for page in pages if page.text)
+                if extracted_text != str(source.get("content") or ""):
+                    logger.warning(
+                        "跳过PDF文档噪声检测（存储偏移量不一致） source_id=%s",
+                        source["id"],
+                    )
+                else:
+                    enriched["document_noise_spans"] = detect_pdf_document_noise(pages)
             sources[index] = enriched
     items = _build_preview_items(task, sources)
     if not items and source_file_ids is None and is_unstructured: